一种实用的方法：利用便携式Vis-NIR设备和基于感官的指数系统，在不同储存温度下预测牛油果的成熟度 小川淳（Atsushi Ogawa）、 寺门雅（Masaru Terakado）、 中馆亮英（Ryoei Nakadate）、 千叶莲人（Rento Chiba） 山本奈奈（Nana Yamamoto）

《AgriEngineering》：A Practical Approach for Predicting Avocado Ripeness Using a Portable Vis-NIR Device and Sensory-Based Indexing Under Various Storage Temperatures Atsushi Ogawa, Masaru Terakado, Ryoei Nakadate, Rento Chiba and Nana Yamamoto

　　摘要
有效的鳄梨采后管理对于减少供应链损失至关重要。这需要一种可获取且成本效益高的方法，以便在现实条件下准确预测成熟度。本研究开发了一种非破坏性框架，利用便携式可见光-近红外（Vis-NIR）光谱仪来预测鳄梨的成熟度，并分析了储存温度对成熟度的影响。通过偏最小二乘（PLS）回归分析，将基于感官的10点成熟度指数与二阶导数反射光谱进行了关联。为了确保模型的稳健性，我们采用了重复的10折交叉验证。宽带PLS模型的残差预测偏差（RPD）为1.36，而使用六个特定波长（570、977、1120、1161、1398和1655纳米）的简化模型的RPD为1.43，这证实了其作为初步筛选工具的可行性。识别出的关键波长与叶绿素降解和脂质积累有关。此外，观察到储存温度（15-35°C）与日成熟速率之间存在显著的对数关系（r = 0.9965）。我们的结果表明，在大约12°C或更低的温度下，成熟进程显著受到抑制。这些发现为分销商提供了定量指导，以便利用便携技术优化物流和保质期管理，从而推动消费者导向的成熟度评估的数字化。

1. 引言
由于鳄梨（Persea americana Mill.）的高营养价值和多种用途，全球对其的需求正在增加。根据联合国粮食及农业组织的数据，2023年全球鳄梨产量为1050万吨[1]。鳄梨市场经历了前所未有的增长，这种水果因其高经济价值常被称为“绿色黄金”。在日本，鳄梨进口量稳步增加，反映了人们饮食偏好向富含营养的植物性脂肪的转变。然而，这种增长伴随着重大的采后挑战。鳄梨通常在成熟但尚未完全成熟的阶段被采摘，并在运输或分销中心继续成熟。成熟度不同导致零售货架上出现过熟和未成熟的水果混合，直接给零售商带来经济损失并降低消费者满意度。鳄梨是呼吸跃变型水果，其特征是在收获后由于乙烯的产生而快速成熟，因此极易发生采后劣化[2,3,4]。此外，确定鳄梨的“最佳口感阶段”特别困难。据消费者和行业报告称，难以精确识别理想的成熟期是导致高浪费率的原因之一。据报道，用于家庭消费的鳄梨中有高达三分之一被丢弃，而用于零售店和食品服务行业的鳄梨中有5-15%因未成熟或快速成熟而浪费[5]。
鳄梨的损失通常归因于不适当的储存温度、处理过程中的物理损伤以及缺乏准确的实时成熟度评估工具。在分销过程中进行适当的成熟度管理对于确保消费者获得最佳口感和营养价值以及减少采后损失至关重要。最小化这些损失不仅是价值数十亿美元的鳄梨产业的经济需求，也是实现联合国可持续发展目标（SDG）12的重要贡献，该目标旨在减少整个生产和供应链中的食物损失和浪费。然而，传统的成熟度评估方法（如测量鳄梨的油含量或干物质）具有破坏性且耗时，不适合在大规模分销环境中重复使用[6]。因此，应开发快速、非破坏性的鳄梨成熟度评估技术。此外，减少鳄梨的采后损失也是一个重要的环境挑战。鳄梨生产需要大量的水资源[7]。当鳄梨因采后损失而被丢弃时，投入在其生产和跨洲运输中的水资源、能源和劳动力就白白浪费了。因此，开发快速、非破坏性的技术来评估鳄梨成熟度不仅是商业上的必要，也是对环境可持续性和循环经济的重大贡献。
最近，利用可见光（Vis）和近红外（NIR）光反射的非破坏性测量技术已被应用于确定柑橘类水果和苹果的糖含量[8,9]、估算西瓜的番茄红素和β-胡萝卜素含量[10]、分析三文鱼的脂肪和水分分布[11]，以及量化蔬菜中的无机成分（如钾和氮）[12,13,14]。此外，基于Vis-NIR反射的技术也被用于估算鳄梨的干物质和油含量[6]。在确定鳄梨成熟度方面，已有报道使用电阻抗光谱[15]、超声波测量[16]、近红外光谱[6]和高光谱成像分析[4]等非破坏性测量技术。然而，尽管这些方法能够产生准确的结果，但由于设备和高处理成本的限制，高光谱成像分析和近红外光谱在分销环境中的应用受到限制[4,15]。此外，储存温度对成熟度变化速率的影响尚未得到充分阐明，因为现有的非破坏性测量方法只能在测量时评估成熟度。因此，迫切需要价格合理且便携的测量设备，能够监测储存温度变化对成熟度的影响。
在一项使用Vis-NIR反射进行非破坏性测量的研究中，被测物体被放置在分析仪器中，然后测量整个物体反射或透射的光。这些仪器体积较大，无法带到现场进行测量。此外，这些仪器非常昂贵[12,14,17,18,19]。虽然高性能光谱仪可以提供精确的数据，但其高昂的成本和缺乏便携性限制了它们在实际销售鳄梨的商店中的应用。需要一种更易于获取的测量系统，该系统使用低成本、便携的设备，同时不牺牲常规质量控制所需的准确性。近年来，已经开发出了便携式光谱仪来获取可见光和近红外光谱。在我们之前的研究中，我们已经证明可以使用便携式光谱仪非破坏性地预测根茎和叶类蔬菜的钾含量[20,21]。在这项研究中，我们探讨了一种使用便携式Vis-NIR光谱设备非破坏性地测量鳄梨成熟度的方法。此外，之前关于应用非破坏性测量技术评估水果成熟度的研究主要集中在物理化学指标上，如水果硬度、果肉油含量、干物质和水分含量[6,16,22]。由于消费者根据感官感知来评价水果的口感，因此应使用结合物理化学和感官指标的非破坏性方法来评估成熟度。目前，基于消费者对口感偏好的成熟度感官评估研究以及与储存温度相关的成熟度预测模型的构建还不够充分。
因此，本研究的目的是开发一种基于水果表面Vis-NIR光反射的非破坏性方法来预测鳄梨成熟度，并阐明储存温度与成熟度变化速率之间的关系。具体而言，本研究的目标是（1）构建一个反映消费者偏好的成熟度预测模型，而不是基于物理化学指标；（2）确定不同储存温度下的成熟度变化速率。本研究的结果有助于开发实用的鳄梨成熟度管理系统，通过预测测量时以及分销过程中的成熟度变化，从而优化运输和销售时机。在本研究中，我们特别关注“成熟度”（采后适合食用的阶段），而不是“成熟度”（采前发育阶段），以避免任何生理上的混淆。

2. 材料与方法
2.1. 植物材料和样品制备
实验使用了“Hass”鳄梨，这是最具商业价值的品种，因为它含有高油分且具有良好的运输特性。共购买了92个完整的果实，来自日本的本地商业供应商（进口来源：墨西哥）。为了确保模型的可靠性，样品经过初步视觉筛选，排除了有表皮缺陷或冷害迹象的果实。实验前，所有样品在温度控制实验室环境中（20 ± 0.5°C）平衡12小时，以稳定代谢速率。数据集分为两个子集：实验1（n = 67）用于构建成熟度预测模型，实验2（n = 25）用于分析不同热条件下的成熟度进展动力学。

2.2. 实验1：构建成熟度预测模型
2.2.1. Vis-NIR反射测量
使用紧凑型光谱仪（Spectro1?；Variable，田纳西州查塔努加）测量可见光反射（图1A）。测量波长范围为400–700纳米，间隔10纳米进行测量。同时，使用超紧凑型近红外光谱模块（NIR-S-G1；InnoSpectra，台湾新竹）测量近红外反射（图1B）。测量波长范围为900–1700纳米，间隔3.5纳米进行测量。700纳米和900纳米之间的光谱间隙是由于便携式模块的固有硬件限制造成的。在鳄梨果皮的三个随机位置进行可见光和近红外反射测量，这三个位置的平均值作为该鳄梨的反射值。这两种设备都配备了内置光源，测量在20°C的室内进行。

2.2.2. 水果硬度测量
测量完Vis-NIR反射后，将鳄梨样品纵向切成两半。使用水果硬度测试仪（FHT-15；广州Landtek Instruments，中国广州）测量种子和果皮之间的可食用部分的硬度，该测试仪配备直径为3毫米的活塞。

2.2.3. 感官测试
感官评估由来自秋田县的13名成员组成的小组进行，包括9名20多岁的学生（8名男性，1名女性）、2名40多岁和50多岁的教职员工（1名男性，1名女性）以及2名50多岁的员工（1名男性，1名女性）。所有参与者都是鳄梨的经常消费者。对67个鳄梨样品的评估分15次进行，每次有5到10名成员根据他们的可用性参与。尽管该小组没有接受过ISO 8586[23]规定的正式专业培训，但他们获得了详细的10级描述性评分标准：硬且未成熟的水果评分为“1”，口感最佳的水果评分为“5”，过熟的水果评分为“10”。每个鳄梨样品的平均得分被称为该样品的成熟度指数（图2）。虽然评分范围是从1到10，但本研究中观察到的最高得分为9，因为没有样品达到最终的“过熟”阶段。通过计算评分者间方差确认了感官评分的可靠性；对于所有样品，每次评分者的评分都在各自样品的平均得分±1范围内。这表明不同年龄组和性别之间的成熟度感知具有一致性。需要注意的是，本研究旨在提出一个原型框架，将人类感官感知与物理指标相关联，使用便携设备进行评估。尽管每次会议的小组规模相对较小，但主要关注的是建立光谱数据与适用于快速现场筛选的简化成熟度指数之间的基本关系。

2.2.4. 统计分析
使用偏最小二乘（PLS）回归分析，以成熟度指数作为因变量，反射的二阶导数值作为自变量。为了减轻使用两种不同传感器（如不同的灵敏度水平或基线偏移）可能产生的误差，对每个光谱范围（Vis和NIR）分别应用了Savitzky–Golay二阶导数预处理。具体设置是窗口大小为11点，二阶多项式。预处理后，通过简单连接将两个数据集合并，形成PLS回归的统一特征矩阵。在PLS算法中，所有变量都进行了自动缩放（均值中心化和除以标准差），以确保不同的光谱分辨率不会影响模型的权重分布。这个过程平滑了背景变化，并增强了吸收峰，以提取必要的生理信息[9]。使用PLS回归将高维光谱数据简化为少数几个潜在变量（LVs），这些变量最大化了预测变量（光谱）和响应变量（成熟度指数）之间的协方差。为了确保模型的稳健性并避免小数据集常伴随的过度优化问题，采用了重复10折交叉验证方案（10-fold CV，重复5次），而不是留一法交叉验证。这种重复k折方法提供了对模型泛化能力的更严格估计。通过最小化交叉验证的均方根误差（RMSECV）来确定LVs的最佳数量，同时限制最大因子数为15个，以防止过拟合。模型的准确性和性能基于交叉验证的相关系数（rcv）、RMSECV、残差预测偏差（RPD）和投影中的变量重要性（VIP）进行评估。为了探索未来低成本传感器概念的潜力，我们根据VIP分数选择了关键波长并创建了简化模型；然而，这些模型主要用于筛查级别的准确性评估。RPD是一个标准化指标，用于评估模型相对于数据集内在变异性（标准差）的效用。根据Vis–NIR模型的既定标准[24]，性能分类如下：RPD > 3.5：优秀；适用于高度可靠的定量预测；2.5 < RPD < 3.5：非常好；适用于中等可靠性的定量预测；1.5 < RPD < 2.5：良好；适用于定性筛查或初步评估；RPD < 1.5：可接受；表明精确量化的效用较低，但可能对广泛分类有用。统计分析使用OriginPro 2024（OriginLab Corporation，马萨诸塞州北安普顿）和基于Python（版本3.10）的专用脚本来实施重复k折验证。

2.3. 实验2：储存温度与成熟度变化之间的关系
使用了25个处于不同成熟阶段的牛油果，通过视觉和主观方法评估其果皮的颜色。样本被分为五组，每组五个样本。这些样本在不同的温度下储存2天：15°C、20°C、25°C、30°C和35°C，使用的是多温箱（MTI-202，EYELA，东京，日本）。内部温度通过温箱内置的数字传感器监测，并通过外部数据记录器验证，在整个储存期间保持稳定在±0.5°C范围内。选择这些温度（15、20、25、30和35°C）是为了代表从标准零售/储存条件到极端热带环境温度的范围。使用第2.2.1节中描述的方法，在第0天、第1天和第2天测量了反射率。通过将实验1中构建的PLS模型应用于测量得到的光谱来分析储存温度与成熟速率之间的关系。需要强调的是，本实验中获得的成熟度指数是模型预测的估计值，反映了与成熟相关的光谱变化，而不是直接测量的感官评分。然后使用这些估计值来评估温度依赖的成熟动力学（表观速率常数和活化能）。

3. 结果
3.1. 果实硬度与成熟度指数之间的关系
用于创建模型的成熟度指数和果实硬度范围从低到高都有。成熟度指数的最小值为1，最大值为9。果实硬度的最小值为0.87 kgf cm?2，最大值为12.8 kgf cm?2。果实硬度与成熟度指数之间的关系可以用幂函数近似公式表示（y = 8.2358x?0.722，r = 0.8524）。如图3所示，随着果实硬度的降低，成熟度指数增加。然而，当果实硬度约为2 kgf/cm2时，成熟度指数表明了不同的成熟阶段——最佳成熟度（成熟度指数=5）、未成熟（成熟度指数=3）或过熟（成熟度指数=7）。这一结果表明，仅凭果实硬度很难一致地确定成熟度。

3.2. 反射光谱和二阶导数分析
图4显示了每个果实 在可见光和近红外区域的反射率，图5显示了二阶导数值。根据二阶导数值，在可见光区域大约560 nm处观察到一个负峰。在近红外区域，大约980、1160、1330、1410和1660 nm处观察到正峰，而在大约1120、1300、1380和1650 nm处观察到负峰。

3.3. 使用宽带光谱的PLS回归模型
基于宽带光谱（400–700 nm和900–1700 nm）的PLS回归模型的性能通过重复10折交叉验证进行了评估。如图6所示，该模型获得了0.687的交叉验证相关系数（rcv）、1.460的交叉验证均方根误差（RMSECV）和1.36的残差预测偏差（RPD），使用了基于最小RMSECV选择的4个潜在变量（LVs）。

3.4. VIP分数分析
在PLS回归模型的投影中，VIP分数大于1.0被认为是显著的[25,26]。VIP分数超过1.0的波长区域为520–590、900–1005、1108–1131、1147–1176、1378–1432和1639–1667 nm（图7）。特别是在大约570、977、1120、1161、1398、1655 nm处观察到特别高的分数。

3.5. 使用选定波长的PLS模型
为了探索开发简化手持传感器的可行性，仅使用通过VIP分析确定的六个特定波长（570、977、1120、1161、1398和1655 nm）构建了一个PLS模型。该简化模型的测量和预测成熟度指数之间的关系如图8所示。这个6波长模型的rcv为0.696，RMSECV为1.370，RPD为1.43，使用了基于最小RMSECV选择的3个LVs。

3.6. 储存温度与成熟速率的估计关系
储存温度与预测的成熟度指数日增长率之间存在显著相关性：储存温度越高，预测的成熟度指数增加得越多（图9）。根据对数近似公式（y = 1.657 ln(x) ? 4.2989，r = 0.9965），通过外推估计成熟度指数增长为零的温度大约为12°C。

4. 讨论
4.1. 成熟度预测模型的可靠性及感官评估指标的重要性
在这项研究中，开发了一种基于Vis–NIR反射率的非破坏性测量方法来预测牛油果的成熟度。在严格的重复10折交叉验证下，宽带模型的RPD值为1.36（图6），而简化的六波长模型的RPD值为1.43（图8）。尽管使用了非专业评估小组，并且每次评估的成员数量从5到10不等，但高的一致性（在平均值±1范围内）表明我们的10分评分有效捕捉了成熟的生理过程。这种在不同评估会话和评估者之间的一致性增强了该模型作为初步筛查工具的价值，符合消费者的普遍期望。根据既定标准[24]，1.0–1.5范围内的RPD被认为是初步筛查的可接受范围，可以区分不同的成熟阶段，如“未成熟”、“可食用”和“过熟”。这表明对每个范围的独立预处理成功地标准化了输入数据，即使存在光谱差异，多传感器方法也是实际应用中的可行策略，尤其是在无法获得或成本过高的全波段便携式传感器的情况下。另一方面，我们的发现应被视为初步的概念验证。虽然它证明了区分不同成熟阶段的可行性，但尚未准备好用于高精度的定量决策。未来将其应用于商业手持传感器需要更大和更多样化的数据集来提高模型的稳健性，并实现更高的RPD（通常>2.0），以满足可靠的现场应用需求。尽管随着果实硬度的降低成熟度指数增加，但果实硬度不能准确反映消费者感知的成熟度（图2）。这项研究的意义在于采用了“感官评估”作为参考标准，而不是传统的物理化学指标。构建一个与这种感官指数有稳定相关性的非破坏性模型，提供了一种更以消费者为中心的质量评估方法。尽管样本量（n = 67）相对较小，但在多次验证中的一致性能表明模型捕捉到了重要的生理变化。先前的研究表明，即使样本量较小（n < 90），Vis-NIR光谱学也能有效估计内部质量[27]，支持了我们方法用于成熟度筛查的有效性。为了提高这项技术的实用性，我们使用六个VIP分数较高的波长简化了模型。这个简化模型的RPD值为1.43（图8），其性能与全波长模型相当。这一结果表明有可能开发出低成本的多光谱传感器或仅测量特定波长带的简单LED基仪器，用于实际应用。先前的研究已经证明，即使只选择有限的有效波长范围，也能保持足够的准确性来评估苹果的内部质量[28]。为了实现这些设备的实际应用，需要通过涉及更大样本量的分析进一步提高模型的可靠性。

4.2. 关键波长的生理学解释
PLS模型通过捕捉与牛油果成熟相关的多种化学变化（色素、水分和脂质）实现了高预测准确性。这一点通过六个VIP分数较高的波长（570、977、1120、1161、1398、1655 nm）（图7）与牛油果成熟过程中的主要化学变化相一致得到证明。具体来说，可见光谱中的570 nm区域对应于叶绿素的吸收带，随着成熟度的增加，叶绿素在果皮中的降解导致绿色褪去[29]。同时，近红外区域中的977和1398 nm区域对应于与水中的O-H键相关的吸收带，反映了成熟过程中的水分变化[12,14]。此外，1120和1161 nm区域对应于与脂质中的C-H键相关的吸收带，表明油含量的增加，这是牛油果果肉的主要成分[9]。另外，1655 nm区域与脂质含量和组织结构有关[6]；因此，它表明随着牛油果的成熟，油含量增加，组织变软。随着牛油果的成熟，其果皮颜色从绿色变为紫色/黑色。这种颜色变化与叶绿素的减少和花青素3-O-葡萄糖苷（一种花青素）的增加有关[29]。花青素3-O-葡萄糖苷的吸收光谱随pH值变化而变化，但在520 nm附近有一个主要吸收带，颜色呈现深红色到紫色[30,31]。虽然叶绿素和花青素3-O-葡萄糖苷的吸收光谱可以解释牛油果成熟过程中可见光范围内的表皮颜色变化，但正如本研究所展示的，结合近红外反射光谱可以更详细地评估牛油果的成熟度。

4.3. 模型预测的成熟动力学的解释
这项研究的另一个重要发现是成熟度的温度依赖性进展（图9）。温度与成熟速率常数（r = 0.9965）之间的对数关系强调了使用一级动力学描述牛油果变质过程的可靠性。在35°C下，成熟速度比在15°C时加快，这一现象遵循可预测的热轨迹，从而可以推断出在较低温度下的代谢行为。基于储存温度与成熟度变化之间的对数关系，抑制成熟进程的阈值温度估计约为12°C。对于像牛油果这样的呼吸跃变型水果，在低温下成熟会显著受到抑制[32,33]。这一数值与先前的研究结果一致，即牛油果在10–12°C以下常常会发生冷害或生理停滞[34]。12°C的成熟停止阈值对于制冷系统设计是一个关键的工程参数。未来的研究应该将这些生物学动态整合到运输容器中的自动化气候控制系统中。通过根据源头检测到的初始成熟度动态调整温度，有可能在确保水果以期望的成熟度到达目的地的同时优化能源消耗。此外，尽管当前研究关注的是15–35°C的温度范围，但这一发现对于预测达到最佳食用时间的所需储存温度具有实际意义。根据图9中的近似公式，在25°C和15°C下，每天成熟度的增加量分别约为1.89和0.64。因此，一个未成熟的果实（成熟度指数=3）在25°C下大约需要1.1天达到最佳成熟度（成熟度指数=5），而在15°C下则需要大约3.1天。这些结果与之前关于哈斯牛油果的生理学研究高度一致。不同储存温度（5°C、10°C、20°C）对牛油果的物理（质地、颜色）、化学（抗坏血酸、pH值）和生理（呼吸速率）参数的影响已被追踪，研究表明较高温度会加速成熟[35]。据报道，哈斯牛油果在25°C下需要大约2到3天，在20°C下需要4到5天才能完全成熟[36]。我们计算出的25°C下的1.1天比该报告中的时间更短。这种差异可能是由于我们的成熟度评估标准基于感官测试，而该报告的标准基于乙烯的产生。为了进一步量化成熟过程对温度的敏感性，计算了温度系数（Q10）。Q10表示每升高10°C时生物或化学反应速率增加的倍数。根据我们的动力学数据，15°C到25°C之间的Q10值约为2.95，而25°C到35°C之间的Q10值为1.35。较低温度范围内的较高Q10表明，在较冷的储存条件下，牛油果的成熟对温度变化特别敏感。这一发现表明，即使是在冷链维护中的微小波动（例如从15°C到20°C），也可能对剩余的保质期产生不成比例的较大影响。本研究的另一个重要发现是成熟度的温度依赖性进展（图9）。温度与成熟速率常数（r = 0.9965）之间的对数关系强调了使用一级动力学描述牛油果变质的可靠性。温度与成熟速率常数（k）之间观察到了指数关系，这与描述反应速率温度依赖性的阿伦尼乌斯方程一致：k = A exp (?Ea/RT)。通过绘制ln(k)与绝对温度的倒数（1/T）的关系图，可以估算出成熟过程的活化能（Ea）。如图10所示，在20–35°C的温度范围内，阿伦尼乌斯图显示出极高的线性相关性（r = ?0.994）。根据该回归的斜率，计算出成熟过程的活化能（Ea）为39.3 kJ/mol。这一数值表明，牛油果果实软化所涉及的生化反应需要一定的热能，例如聚半乳糖醛酸酶（PG）和果胶甲酯酶（PME）的激活[37]。据报道，哈斯牛油果在25°C下需要大约2到3天，在20°C下需要4到5天才能完全成熟[36]。我们计算出的25°C下的1.1天比该报告中的时间更短。这种差异可能是由于我们的成熟度评估标准基于感官测试，而该报告的标准基于乙烯的产生。为了进一步量化成熟过程对温度的敏感性，计算了温度系数（Q10）。Q10表示每升高10°C时生物或化学反应速率增加的倍数。根据我们的动力学数据，15°C到25°C之间的Q10值约为2.95，而25°C到35°C之间的Q10值为1.35。较低温度范围内的较高Q10表明，在较冷的储存条件下，牛油果的成熟对温度变化特别敏感。这一发现表明，即使在冷链维护中的微小波动（例如从15°C到20°C），也可能对剩余的保质期产生不成比例的较大影响。本研究的另一个重要发现是成熟度的温度依赖性进展（图9）。温度与成熟速率常数（r = 0.9965）之间的对数关系强调了使用一级动力学描述牛油果变质的可靠性。温度与成熟速率常数（k）之间观察到了指数关系，这与描述反应速率温度依赖性的阿伦尼乌斯方程一致：k = A exp (?Ea/RT)。通过绘制ln(k)与绝对温度的倒数（1/T）的关系图，可以估算出成熟过程的活化能（Ea）。如图10所示，在20–35°C的温度范围内，阿伦尼乌斯图显示出极高的线性相关性（r = ?0.994）。从该回归的斜率计算出成熟过程的活化能（Ea）为39.3 kJ/mol。这一数值表明，牛油果果实软化所涉及的生化反应的进展需要一定的热能。据报道，牛油果成熟相关特性的变化速率遵循阿伦尼乌斯方程[38,39]。此外，由于获得的数据符合这些基本的热力学原理，使用Vis–NIR光谱学计算的速率常数进行的成熟预测模型被认为在各种物流条件下都具有很高的可靠性。值得注意的是，在15°C时，成熟速率显著偏离了从较高温度预测的线性趋势。这种偏离阿伦尼乌斯定律的现象表明，在温度接近储存临界阈值时，成熟的生理途径被不成比例地抑制。这种非线性行为支持了我们的假设，即保持温度在15°C或以下可以有效诱导部分生理休眠状态，从而显著延长水果的保质期。图10. 哈斯牛油果成熟速率常数（k）的阿伦尼乌斯图。k的自然对数与绝对温度的倒数（1/T × 103）进行了绘制。使用20到35°C的数据计算出线性回归（y = ?4.722x + 15.828，r = ?0.994）。为了突出低温下的生理转变和酶活性的抑制，15°C的数据点（空心圆）被排除在回归之外。本动力学分析的一个关键限制是依赖于模型预测的值作为成熟度的代理。由于在实验过程中没有进行独立的感官或硬度测量，因此计算的参数（如Q10和Ea）应被视为反映与成熟相关的光谱特征的温度敏感性的表观值。然而，这些光谱变化与阿伦尼乌斯定律（r = 0.9965）的强烈一致性表明，Vis-NIR模型有效地捕捉了牛油果生理学的温度敏感性，这与使用破坏性方法的先前研究结果一致。此外，我们对模型预测指数的外推表明，在大约12°C的温度阈值下，与成熟相关的光谱变化显著受到抑制。这与生理观察结果一致，即低温会抑制软化过程，尽管直接生理验证仍然是未来研究的关键任务，以确认这种光谱稳定性是否完全对应于生物休眠。4.4. 经济可行性和实际应用所提出的方法的实际应用展示了减少供应链中采后损失的潜力。将其集成到物联网设备中，可以使零售员工进行非破坏性的成熟度评估。此外，温度依赖的动力学特性使得“动态最佳食用日期”标签和FEFO（先到期先出）策略成为可能。从经济角度来看，虽然高精度光谱仪的成本超过10,000美元，但使用关键波长的多光谱方法可以将成本降低到500美元以下，从而通过优化销售时机实现快速的投资回报。4.5. 研究局限性和未来展望本研究有几个局限性，指出了未来的研究方向。首先，测量仅在三个点进行；增加测量点可以提高准确性。其次，尽管样本池扩大到包括不同年龄组和性别，但每次会议的参与者数量相对较少（5–10人）。未来需要涉及更大规模、多地区消费者群体的研究来进一步推广成熟度指数。第三，12°C以下的行为是通过外推估计的；直接验证仍然是一个挑战。最重要的是，尽管简化的6波长模型展示了稳定的筛选性能（RPD = 1.43），但必须强调这只是一个初步的概念验证。根据NIR光谱学标准，这一范围内的RPD表明预测能力有限，主要适用于区分“高”和“低”值，而不是高精度的定量决策。未来将其应用于商用手持传感器需要克服低成本光电探测器的固有信噪比限制，并用更大规模、多季节的数据集验证模型。将这一框架扩展到其他品种（例如Fuerte、Reed）并开发更广泛的光谱库是下一步的关键步骤，然后才能将这项技术用于最终的零售库存管理。5. 结论在这项研究中，通过将成本效益高的Vis–NIR反射技术与以消费者为中心的感官指数相结合，建立了一个实用的牛油果成熟度非破坏性预测框架。PLS回归模型的预测性能通过严格的10折交叉验证得到了验证，证明了其作为现场质量筛查工具的巨大潜力。通过将光谱数据与整体人类感知相关联，这种方法提供了比传统基于硬度的评估更现实的成熟度评估。此外，识别出六个关键波长（570、977、1120、1161、1398和1655纳米）为开发能够保持稳定筛选准确性的简化手持传感器提供了数学基础（RPD = 1.43）。这样的设备可以部署在整个供应链中，从配送中心到零售货架，使非专业人士能够基于客观数据评估成熟度。此外，牛油果成熟的温度依赖性使得可以估算出抑制成熟的阈值温度（≤12°C），并预测在特定储存温度下达到最佳食用窗口（最佳成熟度）所需的天数。这些发现为优化牛油果物流和减少采后浪费提供了定量框架。这些发现为分销商和零售商提供了可操作的定量指导，帮助他们从静态的最佳食用日期转向基于质量的动态保质期管理。最终，这种可见光-近红外光谱学框架的引入直接支持了全球减少采后食物损失（SDG 12）的努力，确保牛油果在最佳感官质量时到达消费者手中，从而有助于减少浪费并提高热带水果行业的经济可持续性。未来的研究应该探索这一框架在芒果和木瓜等其他呼吸跃变型水果上的适用性，这些水果也面临类似的采后挑战。通过建立数字“感官标准”，这项研究为更客观和透明的全球水果贸易铺平了道路。